隨著互聯(lián)網(wǎng)高速發(fā)展,我們已經(jīng)步入了“大數(shù)據(jù)”時代。由于“信息過載”問題的顯現(xiàn),推薦系統(tǒng)應(yīng)運而生,個性化推薦可以為用戶帶來便利與良好的使用體驗,還可以為商家?guī)砭薮罄麧�。因�?推薦系統(tǒng)的研究十分具有價值和意義。目前深度學(xué)習(xí)進入大眾視野,成為當(dāng)前的研究熱點,將深度學(xué)習(xí)算法應(yīng)用到推薦系統(tǒng)中,具有廣泛的應(yīng)用前景,能夠為電影推薦系統(tǒng)的使用者提供準(zhǔn)確且具有高驚喜度的電影推薦列表。深度學(xué)習(xí)模型中的GAN模型可以用在圖像處理、自然語言處理等領(lǐng)域,其中用在信息檢索領(lǐng)域的IRGAN模型生成的數(shù)據(jù)是離散且有限的,用在推薦系統(tǒng)領(lǐng)域具有局限性。為了充分利用傳統(tǒng)GAN模型生成向量的對抗訓(xùn)練優(yōu)勢,將協(xié)同過濾算法（CF）用在GAN模型中,采用基于GAN模型的協(xié)同過濾算法——CFGAN模型,向用戶提供其可能感興趣的top-N推薦。同時為了滿足用戶對多樣性的需求,提高推薦系統(tǒng)的驚喜度,又在CFGAN模型的基礎(chǔ)上,結(jié)合DPP模型,采用成對訓(xùn)練的對抗方式,實現(xiàn)融合多樣性與相關(guān)性的改進的CFGAN模型,改進后的CFGAN模型在不損失相關(guān)性的情況下可以為用戶提供多樣性的推薦列表,設(shè)計出一個既滿足系統(tǒng)準(zhǔn)確性又滿足多樣性的電影推薦系... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【部分圖文】：

CF算法推薦流程圖

其中和分別表示G和D的模型參數(shù)。x是來自數(shù)據(jù)分布!"#"的真實數(shù)據(jù)，而是來自模型分布的合成數(shù)據(jù)，通常由=()導(dǎo)出，其中z是隨機噪聲向量。D(·)表示其輸入為真實數(shù)據(jù)的估計概率。G和D一般是神經(jīng)網(wǎng)絡(luò)，并且在優(yōu)化各自的模型參數(shù)時會進行迭代，同時分別最小化和最大化相同的目標(biāo)函數(shù)。作為對抗過程的結(jié)果，G學(xué)習(xí)了如何生成逼近真實的數(shù)據(jù)，例如，生成人眼看起來相對真實的照片，如圖2-2所示。GAN已經(jīng)在圖像生成中獲得了巨大的成功[39,40]，并且還對其他領(lǐng)域（例如自然語言生成[41]和音樂生成[42]）產(chǎn)生了濃厚的興趣。圖2-2GAN生成的圖片舉例但是，GAN在推薦系統(tǒng)領(lǐng)域尚未引起太多關(guān)注。IRGAN[43]和GraphGAN[44]是證明GAN可以在協(xié)同過濾算法（CF）中成功潛力的開創(chuàng)性方法。他們的主要思想是：給定用戶，讓G生成該用戶可能購買的商品，并讓D從樣本中區(qū)分出用戶過去真正購買過的商品。期望G最終可以生成能夠覆蓋用戶對項目偏好的真實分布。但由于G每次都會生成一個商品索引，這種不連續(xù)的離散項很難通過標(biāo)準(zhǔn)反向傳播正確地更新G的參數(shù)[41]，因此運用基于策略梯度的強化學(xué)習(xí)方法[45]：通過將D的輸出作為對G的激勵信號來指導(dǎo)G，G和D之間的競爭促使他們彼此幫助達(dá)成自己的目標(biāo)，最后使得G可以對合理且高質(zhì)量的商品索引進行采樣以供推薦�，F(xiàn)在，IRGAN和GraphGAN在推薦真實數(shù)據(jù)的準(zhǔn)確性方面已經(jīng)取得了令人鼓舞的成就，下面以IRGAN為例進行介紹。

IRGAN訓(xùn)練圖示

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的資源個性化推薦算法及模型設(shè)計[J]. 梁婷婷,李麗琴.  智能計算機與應(yīng)用. 2018(06)
[2]基于Web挖掘的個性化視頻推薦系統(tǒng)設(shè)計與實現(xiàn)[J]. 湯偉.  電子設(shè)計工程. 2018(18)
[3]物聯(lián)網(wǎng)海量數(shù)據(jù)處理下的數(shù)據(jù)庫技術(shù)應(yīng)用[J]. 單立娟.  科技資訊. 2017(04)
[4]基于用戶協(xié)同過濾推薦算法研究與應(yīng)用[J]. 陳強.  福建電腦. 2017(01)
[5]個性化推薦系統(tǒng)關(guān)鍵算法探討[J]. 張普洋,郭劍英.  電腦知識與技術(shù). 2016(27)
[6]Spark平臺下基于上下文信息的影片混合推薦[J]. 繆雪峰,陳群輝,胡羅凱,劉進.  計算機工程與應(yīng)用. 2017(10)
[7]協(xié)同過濾算法中的用戶相似性度量方法研究[J]. 任看看,錢雪忠.  計算機工程. 2015(08)
[8]基于Hadoop的電子商務(wù)個性化推薦算法——以電影推薦為例[J]. 馬瑞敏,卞藝杰,陳超,吳慧.  計算機系統(tǒng)應(yīng)用. 2015(05)
[9]大數(shù)據(jù)系統(tǒng)和分析技術(shù)綜述[J]. 程學(xué)旗,靳小龍,王元卓,郭嘉豐,張鐵贏,李國杰.  軟件學(xué)報. 2014(09)
[10]協(xié)同過濾推薦技術(shù)綜述[J]. 冷亞軍,陸青,梁昌勇.  模式識別與人工智能. 2014(08)

博士論文
[1]基于協(xié)同過濾的社會網(wǎng)絡(luò)推薦系統(tǒng)關(guān)鍵技術(shù)研究[D]. 程殿虎.中國海洋大學(xué) 2015

碩士論文
[1]基于在線評論的泛視頻推薦系統(tǒng)的設(shè)計與實現(xiàn)[D]. 侯強.大連理工大學(xué) 2018
[2]基于深度學(xué)習(xí)的Web社區(qū)推薦算法研究與應(yīng)用[D]. 劉宇寧.西南交通大學(xué) 2018
[3]基于受限玻爾茲曼機的協(xié)同過濾算法研究與應(yīng)用[D]. 盧兵帥.西安理工大學(xué) 2017
[4]Hadoop架構(gòu)下海量空間數(shù)據(jù)存儲與管理[D]. 李慶君.武漢大學(xué) 2017
[5]基于改進型SVD協(xié)同過濾算法的新聞推薦系統(tǒng)[D]. 劉新全.蘭州大學(xué) 2017
[6]基于Spark的個性化推薦系統(tǒng)的研究與實現(xiàn)[D]. 張宜忠.電子科技大學(xué) 2017
[7]基于聚類的協(xié)同過濾推薦算法研究[D]. 陳傳瑜.廣東工業(yè)大學(xué) 2016
[8]基于Hadoop的推薦系統(tǒng)的設(shè)計與實現(xiàn)[D]. 鄧雄杰.華南理工大學(xué) 2013
[9]個性化智能推薦引擎算法研究及應(yīng)用[D]. 孫斌.華中科技大學(xué) 2012



本文編號：2971704